論文の概要: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting

• arxiv url: http://arxiv.org/abs/2610.29654v1
• Date: Wed, 21 Oct 2026 12:35:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.358722
• Title: Probabilistic Machine Learning for Short-Term Atmospheric Seeing Forecasting
• Title（参考訳）: 短期的大気観測予測のための確率論的機械学習
• Abstract要約: 前もって2時間までの大気観測を予測するために、機械学習モデルをベンチマークする。 すべてのモデルはマウナケア山頂からの観測で訓練され、評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate short-term forecasting of atmospheric seeing is of significant interest for astronomical observations and free-space optical communication systems, where rapid variations in optical turbulence can affect system performance and operational planning. In this work, we benchmark machine learning models for predicting atmospheric seeing up to two hours in advance, with a particular focus on probabilistic forecasting and uncertainty quantification. We compare two probabilistic approaches, Gaussian Processes (GPs) and a normalizing-flow- based model (FloTS), against deterministic recurrent neural network (RNN) and long short-term memory (LSTM) baselines. All models are trained and evaluated on seeing measurements from the Maunakea summit. We assess the models using both deterministic metrics, including the root mean square error and the Pearson correlation coefficient, and probabilistic metrics that evaluate the quality and calibration of predictive uncertainty estimates. The results show that deep learning approaches outperform standard recurrent networks for short-term forecasting, with LSTM and FloTS achieving the best overall predictive accuracy. While Gaussian Processes provide a useful probabilistic baseline, their predictive distributions are limited by the Gaussian assumption. FloTS combines competitive forecasting accuracy with flexible uncertainty quantification and produces the most informative probabilistic forecasts.
• Abstract（参考訳）: 大気観測の正確な短期予測は、天文学的な観測と自由空間の光通信システムにとって重要な関心事であり、光乱流の急激な変化がシステム性能と運用計画に影響を及ぼす可能性がある。 本研究は,確率的予測と不確実性定量化に焦点をあて,2時間前の大気観測を予測するための機械学習モデルをベンチマークする。 本稿では,ガウス過程(GP)と正規化フローベースモデル(FloTS)の2つの確率的アプローチと,決定論的リカレントニューラルネットワーク(RNN)と長期短期記憶(LSTM)のベースラインを比較した。 すべてのモデルはマウナケア山頂からの観測で訓練され、評価されている。 我々は,根元平均二乗誤差とピアソン相関係数を含む決定論的指標と,予測不確実性推定の品質とキャリブレーションを評価する確率論的指標を用いてモデルを評価した。 その結果,LSTMとFloTSは全体の予測精度を最良に達成し,学習のアプローチは短時間の予測のために標準の繰り返しネットワークよりも優れていることがわかった。 ガウス過程は有用な確率的基底線を提供するが、その予測分布はガウスの仮定によって制限される。 FloTSは競争予測精度とフレキシブルな不確実性定量化を組み合わせ、最も有意義な確率予測を生成する。

関連論文リスト

• Two-stage Odd Residual Flows for Mean-Preserving Probabilistic Time Series Forecasting [9.992963275755159]
  2段階のOdd Residual Flows (TORF) は不確実性推定から平均予測を分離するフレームワークである。 TORFは、近距離および長距離予測において、強い密度推定性能(CRPS)を提供しながら、最先端の決定論的精度(NMAE)を達成する。
  論文  参考訳（メタデータ） (2026-08-11T16:22:47Z)
• Analyzing Uncertainty Quantification in Statistical and Deep Learning Models for Probabilistic Electricity Price Forecasting [0.0]
  本研究では,最先端統計・深層学習確率予測モデルにおける不確実性の定量化について検討する。 我々は、ディープ分散ニューラルネットワーク(DDNN)を考察し、それらをアンサンブルアプローチ、モンテカルロ(MC)ドロップアウト、共形予測で強化する。 様々な性能指標から、LEARベースのモデルは確率的予測において良好に機能することがわかった。
  論文  参考訳（メタデータ） (2025-09-23T15:20:03Z)
• Probabilistic Scores of Classifiers, Calibration is not Enough [0.32985979395737786]
  二項分類タスクでは、確率的予測の正確な表現が実世界の様々な応用に不可欠である。 本研究では,予測スコアと真の確率分布の一致を優先するアプローチを強調した。 その結果,従来の校正基準の限界が明らかとなり,重要な意思決定のための予測モデルの信頼性を損なう可能性が示唆された。
  論文  参考訳（メタデータ） (2024-08-06T19:53:00Z)
• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。